何が起きたのか

Anthropicは2026-07-24、Opus系列の最新版Claude Opus 5を公開しました（Anthropic 2026-07-24）。価格は入力100万トークンあたり5ドル、出力100万トークンあたり25ドルで、前世代のOpus 4.8から据え置きです（Anthropic 2026-07-24）。

公式が前面に押し出したのは「価格を上げずに性能を上げた」という主張です。抽象的推論を測るARC-AGI 3でOpus 5は30.2%を記録し、公式ブログはこれを「次点モデルの3倍」と表現しています（Anthropic 2026-07-24）。Anthropicの公開チャートでは、Opus 5は30.2%、次点モデルは7.8%と読めます。単純比では約3.9倍ですが、公式本文は丸めて「3倍」と表現しているため、本記事も公式表現に合わせます。なお、この数値はAnthropicによる評価結果であり、独立した第三者再現ではありません。

このリリースは、Opus 4.8（2026-05-28公開）からわずか2か月後、6月のMythos 5・Fable 5・Sonnet 5に続くタイミングでした（TechCrunch 2026-07-24）。本記事では、公開された数値を一つずつ確認しながら、「安いのに賢い」がどこまで実務判断に使えるかを検証します。

価格が据え置きであることの意味

Opus 5のAPI価格は入力100万トークンあたり5ドル、出力100万トークンあたり25ドルで、Opus 4.8から据え置きです。Anthropicは、Fable 5に近い性能を「半額の価格」で提供すると説明しています（Anthropic 2026-07-24）。

ただし、ベンチマークのスコアを入力単価だけで割った「1ドルあたりスコア」は、厳密なコスト比較には向きません。推論モデルでは出力・思考トークン量、effort設定、ツール呼び出し、再試行、長文コンテキスト時の料金などが総額を左右するためです。Anthropicの比較も、単純なトークン単価ではなく、特定の評価ハーネス上のタスクあたりコストを用いています。したがって、コスト効率は各社の同一条件でのタスク単価と成功率を併記して判断する必要があります。

ベンチマークを一つずつ

Anthropic公式発表と、公開チャートから読み取れる範囲を整理します（Anthropic 2026-07-24）。

ベンチマーク内容Opus 5比較対象
Frontier-Bench v0.1コーディング43.3%Fable 5: 33.7% / Opus 4.8: 18.7%
ARC-AGI 3新規問題解決30.2%GPT-5.6 Sol: 7.8% / Opus 4.8: 1.5%
CursorBench 3.2コーディングFable 5ピークの0.5%差半額の単価で
OSWorld 2.0コンピュータ操作Fable 5超（チャートのみ）Fable 5の約1/3コストで
Zapier AutomationBench業務自動化次点の約1.5倍の合格率同一タスク単価で
GDPval-AA v2知識労働新SOTA（最大effort）Artificial AnalysisでElo 1,861

Frontier-Bench v0.1では、Anthropicのチャート上でOpus 5は43.3%、Opus 4.8は18.7%とされ、スコアは2倍超です。ただし公式の脚注によれば、これはAnthropicによる内部実行で、mini-SWE-agentハーネス、GKEバックエンド、各タスク5回の平均報酬という条件です。さらにOpus 5とFable 5では、安全分類器が拒否した際にOpus 4.8へフォールバックしています。したがって、モデル単体の純粋比較というより、Anthropicが定めた運用条件での結果として読むべきです（Anthropic 2026-07-24）。

コーディング系のCursorBench 3.2では、Opus 5は最大effort設定でFable 5のピークスコアと0.5%差まで肉薄し、それを半額の単価で達成したとされています（Anthropic 2026-07-24）。コンピュータ操作のOSWorld 2.0でも、Fable 5を約3分の1のコストで上回ったと公式は述べています（Anthropic 2026-07-24）。OSWorld 2.0は公式ページではチャート中心の提示です。一方、GDPval-AA v2はArtificial Analysisの公開リーダーボードで、Opus 5（Adaptive Reasoning, Max Effort）がElo 1,861で首位と確認できます（Artificial Analysis 2026-07-24時点）。

ARC-AGI 3は、AIエージェントが未知のインタラクティブ環境へその場で適応する能力を測る評価です（ARC Prize）。ただし本記事執筆時点で、ARC Prizeの公開リーダーボードにOpus 5の掲載はありません。30.2%はAnthropic自身が公表した数値であり、ベンチマーク運営側の検証を経たスコアではない点には注意が要ります。単一ベンチマークのスコアが実タスクの体感と一致するとも限りません。

effort設定とFast modeがコスト設計に効く

Opus 5には推論の深さを選ぶeffort設定（low / medium / high / xhigh / max、既定はhigh）があり、低い設定ほどトークン・速度・コストを抑えつつ、同一effort帯では競合を上回る性能を保つとされています（Anthropic 2026-07-24）。前述のCursorBench 3.2でFable 5に肉薄したのは最大effortでの数字なので、実務では「どのeffortでどこまで妥協できるか」の設計が費用対効果を左右します。

加えてFast modeが用意され、2.5倍の速度で動く代わりに基本レートの2倍の価格になります（Anthropic 2026-07-24）。レイテンシがボトルネックのワークフローでは、速度を金で買う選択肢が明示された形です。

もう一つ実務向けの追加として、安全分類器によりフラグが立ったAPIリクエストを、Anthropic推奨の別モデルへ自動ルーティングするAutomatic fallbacks（ベータ）が導入されました。これは必ずしも「より非力なモデル」へ回す仕組みではなく、拒否カテゴリに応じて利用可能なモデルへ切り替える機能です。Claude.ai などのプラットフォームでは、フラグが立ったリクエストは既定でOpus 4.8へフォールバックします（Anthropic 2026-07-24）。提供面では、Opus 5はClaude Maxのデフォルトモデルとなり、Claude Proでも最上位の選択肢になります（Anthropic 2026-07-24）。

安全性とライフサイエンス、そして残るギャップ

Anthropicは安全性の運用面でも数字を出しています。サイバーセキュリティ用分類器による介入は、Fable 5に比べて約85%少ない頻度になると見込まれています（Anthropic 2026-07-24 / TechCrunch 2026-07-24）。過剰な拒否を減らしたという主張で、防御側の実用性に効く一方、その閾値調整が悪用耐性とどうトレードオフするかは外からは見えません。

領域別では、Opus 4.8比で有機化学が+10.2ポイント、タンパク質配列解析が+7.7ポイント向上したと報告されています（Anthropic 2026-07-24）。サイバーセキュリティでは、脆弱性の特定はMythos 5と同等だが、エクスプロイト開発ではMythos 5に大きく劣ると明記されました（Anthropic 2026-07-24）。Anthropicは「前世代のOpus 4.8と同様に、Opus 5をサイバータスクで意図的に訓練していない」と述べ、加えて狭い範囲のサイバータスクには強めのガードレールを適用しているとしています（Anthropic 2026-07-24）。ただし、モデル能力そのものを意図的に弱めたとまでは公式情報から断定できません。

コンテキストエンジニアリングの新常識

モデルと同時に、使い方の指針も更新されました。Anthropicは、Opus 5やFable 5のようなClaude 5世代のモデル向けにClaude Codeのシステムプロンプトを80%超削除しても、自社のコーディング評価で測定可能な性能低下はなかったと公式ブログで述べています（Claude 2026-07-24）。

要点は「制約から判断へ」の移行です。従来は「複数段落のdocstringは書くな」のような明示ルールを積み重ねていましたが、新世代では「周囲のコードに合わせて書け」といった判断を委ねる指示で足りるとされます。ツールの使用例を与えることはかえって探索を狭めるため、例示よりインターフェース設計を優先し、必要になった時点で定義を読み込む「段階的開示」を推奨しています（Claude 2026-07-24）。ただし、これは「あらゆる用途で短いプロンプトが常に優れる」という意味ではありません。重複ルールや過剰な例示を減らし、判断基準・ツール仕様・必要情報を明確にする、という限定的な設計指針です。

残された不確実性

  • 公式評価への依存: ARC-AGI 3、CursorBench、OSWorldなどの主要比較はAnthropicのチャートと評価条件に依存します。ARC-AGI 3はARC Prizeの公開リーダーボードに掲載がなく、Frontier-Benchは内部実行で、安全拒否時のOpus 4.8フォールバックも含まれます。第三者による同条件の再現が必要です。
  • コミュニティ報告の未確認情報: 各所のフォーラムではSimpleBenchでの2位やIMO満点といった話題も出ていますが、本記事の一次情報では確認できませんでした。数値の裏取りが取れるまでは参考扱いにとどめます。
  • 「同一コストで」の前提: CursorBenchやOSWorldの「半額」「約1/3コスト」は特定の評価ハーネス上のタスク単価比較です。実運用の入力・出力トークン、ツール利用、再試行、キャッシュ、長文料金を含めた総コストとは一致しません。
  • 安全閾値のトレードオフ: 介入85%減が過剰拒否の解消なのか、悪用耐性の緩みを含むのかは外部評価が要ります（Anthropic 2026-07-24）。

まとめ

Claude Opus 5は、価格を5/25ドルに据え置いたまま、ARC-AGI 3で30.2%（公式表現で次点の3倍）、Frontier-Benchで43.3%（Opus 4.8の2倍超）という数字を公式に示しました。CursorBench・OSWorldではFable 5に半額〜1/3コストで肉薄・逆転したとされ、「安いのに賢い」は少なくともAnthropicの提示ベンチマーク上では成立しています。実務では、effort設定・Fast mode・Automatic fallbacksをどう組み合わせ、同一タスクで成功率・レイテンシ・総費用を測るかが評価の焦点になります。数値表が非公開の項目やコミュニティ報告は、第三者の再現を待って判断するのが妥当です。

主要出典

関連する過去記事